Simba 3.5 対 Simba 3.2：110 Eloポイント、48言語、そして9日で2倍になる請求書

あるベンダー内でのアップグレード経路は、通常このブログで最も面白みの少ない比較です。今回はそうではありません。なぜならSpeechifyAI Simba 3.5とSpeechifyAI Simba 3.2はバージョン番号以上の点で異なり、その違いは正反対の方向を指しているからです。Simba 3.5はControlled VoiceアリーナでEloポイントが110ポイント高く、1言語ではなく48言語を話し、定価では50%高くなります。Simba 3.2は、実際に測定された唯一のレイテンシ数値でより速く、もはや何も制限しない音声許可リストを備え、旧価格を維持しています。Simba 3.2を本番環境で運用しているチームは、11月22日までに現実的な決断を迫られており、「より新しい方にアップグレードする」ことが自動的に正しい答えになるわけではありません。

まず日付です。これがこの問題を学術的なものではなく緊急性の高いものにしているからです。Simba 3.2は2026年7月8日に英語専用のストリーミングモデルとして提供開始され、10月18日まで推奨されていました。Simba 3.5は10月18日に推奨として指定され、10月21日に一般公開され、11月9日に定価が引き下げられ、11月21日には廃止予定の2つのレガシーIDが指すモデルになります。Speechifyは3.2を非推奨にしていません。一覧に残り、価格も残り、呼び出し可能なままです。だからこそ、選択は期限ではなく利点に基づいて行う必要があります。

アリーナの差は、どちらのモデルの歴史においても最大です

両モデルはArtificial Analysisの両ボードで評価されています。統制ボードでは、8つのクローン参照音声にわたり話者を固定しています。プロバイダーボードでは、各ベンダーが独自の配役を使用できます。これら2世代間の差は統制ボードの方が大きく、音声をクローン化する人にとっては2つのうち統制ボードの方が有益です。

• Controlled Voice — Simba 3.5 ランク1、Elo 1,192、±17、区間1,175～1,209、1,783サンプル

• コントロールされた音声 — Simba 3.2 ランク14、Elo 1,082、±12、区間1,070～1,094、3,630サンプル

• プロバイダー・ボイス — Simba 3.5 ランク5、Elo 1,294、±17、区間1,277～1,311、1,732サンプル

• プロバイダーボイス — Simba 3.2 は12位、Elo 1,250（±11、区間1,239～1,261、3,966サンプル）

• 2世代前 — Simba 3.0 は1,035 controlledで27位、1,114 providerで41位

統制ボードの差は110ポイントで、各間隔は80ポイント超の空白を互いに空けています。これは誤差の範囲の再実行ではありません。参考までに、そのボードのトップ10全体は62ポイントの幅しかありません。Simbaの1世代で、そのほぼ2倍の範囲をカバーします。プロバイダーボードの差はより小さく44ポイントで、これは有用なことを示しています。3.5が改善したものの一部は未知の声での合成品質であり、一部は単にデフォルトの音が良くなっただけです。

世代ごとのパターンは3つのリリースを通じても一貫している。Simba 3.0から3.2は統制ボードで47ポイント、3.2から3.5は110だった。Speechifyは以前よりも速くこの点で上達しており、9月に推奨されていた3.2モデルは今では中位につけている。

言語: 6、1、48

これは品質スコアではなくアーキテクチャを変える違いです。Simba 3.2 は英語のみで、非英語の音声は400を返し、拒否されたロケールがメッセージに示されます。Simba 3.0 は7ロケールにわたり6言語をカバーします。Simba 3.5 は単一のIDで48をカバーし、エストニア語と広東語は明示的に除外され、地域変種は対象範囲に含まれます。

48 が使えるのは、音声が持ち運べるからです。カタログ内のすべての音声は、Simba 3.5 上で同じ voice id のまま 48 言語すべてを話します。有料プランでクローンした音声も同様です。これはローカリゼーションパイプラインが待ち望んでいた機能です。クローンしたブランド音声 1 つで 48 言語、ロケールごとの音声差し替えは不要です。ベンダーの注意点は、音声が元の録音のアクセントを保持するということで、各言語のネイティブな staff-pick 音声で生成するよう推奨しています。だからこそ 10 月 18 日に voices エンドポイントに staff_pick_rank が登場したのです。

Simba 3.2 では、そのワークフロー全体が存在しません。音声も言語も1つだけです。製品を複数の市場に投入する場合、これは評価点の違いではなく、統合が1つかベンダーが2つかという違いです。

レイテンシ、そこでは旧モデルが依然として勝る

SpeechifyはSimba 3.2については実測レイテンシを公開しており、3.5については集計された主張のみを公開しているが、公開されている測定値は良好だ。2026年10月9日、米国東部のクライアントからウォーム接続で計測したところ、Simba 3.2は最初に聞こえる音声までWebSocket入力ストリーム経由で中央値47ミリ秒、HTTPストリーム経由で64ミリ秒で到達した——これはSpeechifyがその日にその場所から計測した13エンドポイントの中で最低値だった。サーバー側のファーストバイトは、9月15日に測定した本番トラフィックでp50が56 ms、p90が102 msだった。同社は、すべての値が保証ではなく実測パーセンタイルであること、そしてチューリッヒからだと状況が変わると明言している。別ベンダーのフラッシュモデルは142 msであるのに対し、自社の2つのストリームパスは145 msと153 msだ。

Simba 3.5 について文書化されている数値は、公開されたパーセンタイルではなくベンダーの主張です。本番負荷下でのストリーミングリクエストの95%で最初の音声までの時間が72ミリ秒、サービングインスタンスあたりのスループットが Simba 3.2 の1.8倍です。これらはウォーム接続上で測定されたp50と直接比較することはできません。72 msのp95と47 msのp50は完全に整合している可能性があり、それを確立する測定ラウンドをSpeechifyの外部で実行した人はいません。

実際的な影響は限定的だが、現実のものだ。製品のユーザー体験が、100ミリ秒の沈黙が知覚される音声アシスタントであるなら、3.2については測定値があり、3.5については主張がある。移行前に自分で3.5を測定するのが誠実な対応だ。音声をファイルにレンダリングしているなら、レイテンシは無関係であり、このセクションはあなたには当てはまらない。

価格：このオファーは11月21日に終了します

Speechifyにおけるこれら2つのモデルの料金はまもなく異なるものになり、変更履歴がその内容を正確に示しています。

Simba 3.5、11月22日より — Starterでは100万文字あたり$15.00、Proでは$12.00、Scaleでは$10.00

• Simba 3.5、11月21日まで — 10.00ドル、8.00ドル、6.00ドル、旧モデルの料金

• Simba 3.5、当初の10月21日発売リスト — 20ドル、16ドル、12ドル、11月9日の値下げによって置き換え

• Simba 3.2 — 同じプランで100万文字あたり$10.00、$8.00、$6.00のまま変更なし

つまり、11月21日までは2つのモデルのコストはまったく同じで、3.5の方が明確に優れています。11月22日からは、3.5はすべての料金ティアで50%高くなります。Proプランでは900万文字あたり$72対$108、Scaleでは4,680万文字あたり$280.80対$468です。残高は変わらないため、同じプランで購入できる新モデルの文字数は定価ベースで3分の1少なくなります。

それはごまかしではなく、率直な価値判断だ。50%の割増料金で110 Eloポイントと47言語の追加が得られるのは、どちらかの機能を使うほぼあらゆるワークロードにとって良い取引であり、すでに3.2の品質で満足していた英語のみのパイプラインにとっては悪い取引だ。

マイグレーションはたった1行で済む。そして、そこが罠なのだ

Speechifyのドキュメントは異例なほど明確で、3.2から3.5への移行にはAPIバージョンの変更が不要だと述べています。modelをsimba-3.5に設定し、同じvoice id、同じ出力形式、同じspeech marks、同じ適用されるSSMLサブセットを維持してください。modelを省略したリクエストは引き続きsimba-3.0に解決されるため、デフォルトによって暗黙のうちに移行されることはありません。

二つの詳細が、この一行の話を複雑にする。第一は、言語が重要になったことだ。テキストが音声のロケールと異なる場合は明示的に設定しなければならず、そうしないと API は音声のロケールを使用し、意図しないアクセントになる。第二は 11 月 21 日そのものだ。その日、二つの Simba 1.6 ID、simba-english と simba-multilingual は、古いトレーニングによる提供が終了し、Simba 3.5 による提供が開始され、それらをまだ指定できるすべての API バージョンで Simba 3.5 の料金で請求される。古い ID に固定された統合は、コードを変更しなくても同じ日に声と価格が変わる。それまでに意図的に 3.5 をテストすることだけが、選択するための唯一の方法だ。

知っておく価値のある静かな改善もあります。10月20日、prosody pitch と prosody volume が Simba 3.5、3.2、3.0 で適用されるようになりました。以前はこれらは受け付けられても無視されていました。今日これらの属性を送信していて、この変更を望まない場合、Speechify 自身の助言はそれらを削除することです。emphasis タグと emotion タグは、3 つのモデルすべてで引き続き受け付けられますが、適用されません。

ファミリー内アップグレードにおけるOrcaRouterの位置づけ

SimbaモデルはどちらもOrcaRouter上にはありません。この製品ラインはSpeechify独自のAPIを通じて利用するものであり、本記事のいかなる記述もそれ以外の主張として受け取られるべきではありません。当社がルーティングするのは、判断の際の比較対象として使える合成音声カタログです：openai/tts-1は100万文字あたり15.00ドル、openai/tts-1-hdは30.00ドルといずれもプロバイダーの定価のままで上乗せは一切ありません。

このような移行でルーターが役立つのは、新しい経路を実証しつつ、古い経路を存続可能にすることです。ベンダーのAPI上でRun 3.5を1週間、実際のトラフィックで実行し、3.2をフォールバックとして残し、インシデントは本番環境で発見するのではなく回避します——何も失敗しなければ自動フェイルオーバーにコストはかからず、何かが失敗したときにはローンチ期間全体を確保できます。同じ単一のキーは、すでに使用しているOpenAIの音声が、Simbaのどちらの世代がそれを置き換えるかを決める間も引き続き利用可能であることも意味します。

ワークロード別：どちらを実行するか

ワークロードが英語で、ボイスが英語で、品質基準がすでに7月の時点で満たされており、実測された「最初に音が聞こえるまでの47 ms」という数値が製品の根幹を支えているなら、Simba 3.2 にとどまってください。11月21日まで、そしてその後もずっと、低い方の料金を支払うことになり、3.5のどこにもあなたの出力を改善する要素はありません。3.2に廃止予定日はありません。Speechifyが明言しています。

以下のいずれかに当てはまる場合は、Simba 3.5 に移行してください。第二言語が必要な場合、音声をクローンしていてロケールをまたいで1つの音声IDを使いたい場合、英語の品質基準が上がった場合、または新しく何かを作っている場合です。管理されたベンチマークにおける110ポイントの差は、Speechifyが生み出した中で最大の世代間ジャンプであり、48言語のカバレッジはこのファミリー内ではほかの方法では利用できません。旧モデルの料金で評価したい場合は11月21日より前に実行し、廃止によって自動的に選ばれてしまわないよう、モデルIDを明示的に設定してください。

どちらを選ぶにしても、この判断には恒久的な答えではなく見直し日が設定されています。Simba 3.5 は制御音声サンプルが1,783件で、3.2の3,630件に対して少ないため、その信頼区間は狭まるでしょう。定価はすでに3週間で一度変動しています。また、AlibabaのQwen-Audio-3.1-TTS-Plusは同じリーダーボードで1,176となり、現在のSimbaフラッグシップに同等のリーダーボード価格で16ポイント差で続いています。差は十分に小さく、どちらかで次期リリースが出ればこの問いは再び開かれます。